Amazon联手Xilinx搞了件大事!!!!

在今年11月中旬举办的“2016年超算大会上”，FPGA大厂Xilinx发布了可重配置加速栈（ReconfigurableAcceleration Stack）。配合可重构的FPGA，这个架构能解决可重构计算中的编程困难问题，并加速可重构计算生态的建设。

日前，Amazon云服务AWS更是基于Xilinx高端Ultrascale+ FPGA推出了使用在云端的FPGA解决方案。众多巨头的参与，让诞生几十年的可重构计算再度成为业界关注的焦点。但是你真的懂得可重构计算吗？

可重构计算的起源

自从计算机诞生以来，科学家们就意识到计算机架构对于其处理能力有着至关重要的影响。事实上，从来不存在一种对所有运算任务都是最优解的计算机架构。这是因为计算机的运算单元由芯片构成，而在芯片的面积固定的情况下计算机架构就决定了如何分配芯片的资源。

举例来说，机器学习应用（尤其是CNN）会比较注重并行运算，因此最适合的架构是能处理并行运算的多核架构，而每个核的运算能力并不需要特别强。另一方面，在一些科学及工业运算上，计算是无法并行执行的，于是最适合的架构是单核架构并把这个核做到非常强。

根据数据和指令的执行方式，60年代著名的计算机科学家Flynn提出了架构的分类方法，一共有单指令流单数据流（SISD），单指令流多数据流（SIMD），多指令流单数据流（MISD）以及多指令流多数据流（MIMD）四种。

 

正是由于对于不同的任务有最合适的架构，计算机科学家们开始构思如何使用一种灵活的架构解决这个问题。可重构运算（reconfigurable computing）从上世纪60年代由Gerald Estrin提出，到现在已经经历了半个世纪。

在Estrin最初的设想中，可重构运算包括一个作为中央控制单元的标准CPU，以及众多可重构的运算单元，这些可重构运算单元由中央CPU控制，在执行相应任务（如图像处理，模式识别，科学运算等等）时配置成对应的最优架构（即硬件编程）。

在理论上这个构想非常成功：2001年，Reiner Hartenstein的论文中提到，即使可重构运算使用的运算单元（FPGA）时钟频率远低于当时的CPU，但是可重构计算的综合运算能力却可以超越CPU数倍，而功耗也远小于CPU。

 

可重构计算的例子（使用FPGA作为可重构计算单元）

然而，可重构运算在当时并没有普及。从可重构运算提出直到二十一世纪初的40年正是摩尔定律的黄金时期，工艺一年半就更新一次，因此架构上更新带来的性能增强可能还不如工艺更新来得强。

当时最流行的就是靠摩尔定律狂飙突进来实现处理器运算能力的进化，因此与旧架构相差很大的可重构运算并未得到重视：花五年时间研发的可重构计算芯片很可能性能还不及依靠摩尔定律提升性能的传统架构CPU。

同时，由摩尔定律带来的CPU性能增长完全可以满足当时运算的需求。因此当时可重构运算还只是停留在学术圈子里的精致理论，业界推广的动力并不大。

另一个可重构运算普及的障碍是使用难度。传统CPU上编程使用抽象的高级语言（如C++，Java等等）描述，已经有成熟的体系。然而可重构计算需要的硬件编程通常使用硬件描述语言（Verilog，VHDL等等），对于程序员来说需要大量的时间才能掌握。

这样的话可重构计算的生态就无法发展：门槛高意味着做的人少，做的人少意味着知名度低，相关项目数量少，这又导致了无法吸引到开发者参与项目。

异构计算与可重构计算

在今天，摩尔定律遇到了瓶颈，因此可重构计算普及的第一个障碍正在慢慢消失。摩尔定律的瓶颈第一来自于经济学，第二来自于物理定律。从经济学的角度，本来摩尔定律的目标就是通过工艺制程进步缩小特征尺寸让相同功能的芯片需要的晶圆面积更小。工艺制程进步所需的研发成本和mask制作的NRE成本上升，而每块芯片的制造成本下降

。在之前的几十年里，工艺制程研发成本和mask制作的NRE成本上升平摊到每块芯片中不会抵消太多芯片制造成本的下降，从而使用新工艺的芯片的总成本相对于旧工艺会下降。然而，在最新的工艺中，由于新工艺的mask NRE成本非常高，生产的芯片必须出货量非常大才能保证摊薄NRE成本上升，这对于很多芯片设计公司来说风险很大。因此经济学角度对于摩尔定律的驱动力大大下降了。